在使用深度学习和图像属性模型的退化图像中恢复GLRLM特征

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 无线电学 (Radiomics) 是一种无线电学.

背景情况:

• 放射学模型可以预测临床结果,但由于各种成像条件而存在变化.
• 这限制了它们在现实应用中的通用性和可靠性.

研究的目的:

• 扩展双域深度学习方法来恢复基准真相放射学特征值.
• 具体来说,要解决恢复灰色水平运行长度矩阵 (GLRLM) 特性的问题.

主要方法:

• 开发了一种用于GLRLMs的可微分近似的新型算法.
• 实现了一个双域深度学习网络,具有双域丢失函数.
• 使用肺CT图像补丁评估性能,专注于特征恢复精度和分类性能.

主要成果:

• 与基线相比,拟议网络在GLRLM特征恢复中实现了最低的平均平方误差 (MSE).
• 使用回收的GLRLM特征的分类模型达到86.65%的准确性.
• 这与使用地面真实特征的模型的88.85%准确度密切匹配,优于退化特征 (82.00%).

结论:

• 开发的深度学习方法有效地恢复了GLRLM放射学特征,这些特征因成像条件而退化.
• 这种方法显示了辐射学标准化和提高预测模型通用性的巨大潜力.
• 该方法提高了使用放射学分析预测临床结果的准确性.